論文の概要: Evaluating Uncertainty Calibration in Probabilistic Time Series Foundation Models

• arxiv url: http://arxiv.org/abs/2611.03592v1
• Date: Mon, 02 Nov 2026 18:34:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:45:41.758143
• Title: Evaluating Uncertainty Calibration in Probabilistic Time Series Foundation Models
• Title（参考訳）: 確率的時系列基礎モデルにおける不確かさ校正の評価
• Abstract要約: 本稿では,TSFMが予測の不確実性をいかに表すかの分類法を導入し,マルチ水平予測におけるキャリブレーションのためのきめ細かい評価枠組みを開発する。 現在のモデルでは、標準メトリクスがしばしば不明瞭であるような、明確な、体系的な誤校正パターンが示されています。 本研究は,TSFMにおける不確実性校正の評価と改善のための実践的ガイダンスを提供するとともに,現行の実践における重要な限界を明らかにするものである。
• 参考スコア（独自算出の注目度）: 26.885130534287594
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time series foundation models (TSFMs) are increasingly used for probabilistic forecasting across diverse domains, yet the reliability of their uncertainty estimates remains poorly understood. In this work, we study uncertainty calibration in probabilistic TSFMs from a broader methodological and empirical perspective. We introduce a taxonomy of how TSFMs represent predictive uncertainty and develop a fine-grained evaluation framework for calibration in multi-horizon forecasting that distinguishes pooled, horizon-wise, and stronger conditional notions of calibration. Using this framework, we conduct a comprehensive empirical evaluation of popular TSFMs across diverse datasets and show that current models exhibit distinct and systematic patterns of miscalibration that standard metrics often obscure. We further analyze common post-hoc recalibration methods and characterize which forms of calibration they can improve and which tend to persist. Our results provide practical guidance for evaluating and improving uncertainty calibration in TSFMs and highlight important limitations of current practice.
• Abstract（参考訳）: 時系列基礎モデル(TSFM)は、様々な領域にわたる確率的予測にますます使われているが、その不確実性評価の信頼性は未だによく分かっていない。 本研究では,確率的TSFMにおける不確かさのキャリブレーションについて,より広範な方法論的,実証的な観点から検討する。 本研究では,TSFMが予測の不確実性をいかに表すかの分類法を導入し,マルチホライズン予測におけるキャリブレーションの微粒化評価フレームワークを開発し,キャリブレーションのプール化,地平線化,強い条件付き概念を区別する。 このフレームワークを用いて、様々なデータセットにまたがる一般的なTSFMの総合的な実験的な評価を行い、現在のモデルでは、標準メトリクスがしばしば不明瞭であるような、異質で体系的な誤校正パターンが示されていることを示す。 さらに、ホット後の一般的な校正方法を分析し、どの校正方法を改善するか、どの形態を継続するかを特徴付ける。 本研究は,TSFMにおける不確実性校正の評価と改善のための実践的ガイダンスを提供するとともに,現行の実践における重要な限界を明らかにするものである。

関連論文リスト

• Evaluating Accuracy and Probabilistic Reliability of Zero-Shot Time Series Foundation Models [0.0]
  Time Series Foundation Models (TSFM) はタスク固有のトレーニングを排除することでゼロショット予測へのパラダイムシフトを約束する。 本稿では,エネルギー,トラフィック,財務データセットに基づいて評価した6つのTSFMのベンチマーク研究について述べる。
  論文  参考訳（メタデータ） (2026-09-22T07:21:26Z)
• SEMF: Supervised Expectation-Maximization Framework for Predicting Intervals [0.254890465057467]
  Supervised expectation-Maximization Framework (SEMF)は、任意のMLモデルで予測間隔を生成するための汎用的でモデルに依存しないアプローチである。 SEMFは、所望のカバレッジ確率を維持しながら、常により狭い予測間隔を生成する。 量子(スピンボール)損失を使わずに、SEMFは勾配ブースト木やニューラルネットワークを含む点予測器を共形量子レグレッションで校正することができる。
  論文  参考訳（メタデータ） (2024-05-28T13:43:34Z)
• Calibrating Large Language Models with Sample Consistency [76.23956851098598]
  本稿では,複数サンプルモデル生成系の分布から信頼度を導出する可能性について,一貫性の3つの尺度を用いて検討する。 その結果、一貫性に基づくキャリブレーション手法は、既存のポストホック手法よりも優れていることがわかった。 種々のLMの特性に合わせて,キャリブレーションに適した整合性指標を選択するための実用的なガイダンスを提供する。
  論文  参考訳（メタデータ） (2024-02-21T16:15:20Z)
• Calibration by Distribution Matching: Trainable Kernel Calibration Metrics [56.629245030893685]
  カーネルベースのキャリブレーションメトリクスを導入し、分類と回帰の両方で一般的なキャリブレーションの形式を統一・一般化する。 これらの指標は、異なるサンプル推定を許容しており、キャリブレーションの目的を経験的リスク最小化に組み込むのが容易である。 決定タスクにキャリブレーションメトリクスを調整し、正確な損失推定を行ない、後悔しない決定を行うための直感的なメカニズムを提供する。
  論文  参考訳（メタデータ） (2023-10-31T06:19:40Z)
• Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
  単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。 本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。 新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
  論文  参考訳（メタデータ） (2023-07-19T12:11:15Z)
• Calibration-Aware Bayesian Learning [37.82259435084825]
  本稿では、キャリブレーション対応ベイズニューラルネットワーク(CA-BNN)と呼ばれる統合フレームワークを提案する。 ベイズ学習のように変分分布を最適化しながら、データ依存あるいはデータ非依存の正則化をそれぞれ適用する。 予測キャリブレーション誤差(ECE)と信頼性図を用いて,提案手法の利点を検証した。
  論文  参考訳（メタデータ） (2023-05-12T14:19:15Z)
• Evaluating Probabilistic Classifiers: The Triptych [62.997667081978825]
  本稿では,予測性能の異なる相補的な側面に焦点をあてた診断グラフィックのトリチチを提案し,研究する。 信頼性図は校正に対処し、受信動作特性(ROC)曲線は識別能力を診断し、マーフィー図は全体的な予測性能と価値を視覚化する。
  論文  参考訳（メタデータ） (2023-01-25T19:35:23Z)
• The Implicit Delta Method [61.36121543728134]
  本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。 有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
  論文  参考訳（メタデータ） (2022-11-11T19:34:17Z)
• Evaluating probabilistic classifiers: Reliability diagrams and score decompositions revisited [68.8204255655161]
  確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。 コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
  論文  参考訳（メタデータ） (2020-08-07T08:22:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。